新闻详情

新闻详情

首页 / 资讯中心 / 详情

OMI/Aura 臭氧(O3)剖面 1-轨道 L2 条带 13x48km V003 (OMO3PR)位于 GES DISC

发布时间:2026/10/28 0:44:56来源:尧图网络
OMI/Aura 臭氧(O3)剖面 1-轨道 L2 条带 13x48km V003 (OMO3PR)位于 GES DISC
OMI/Aura Ozone (O3) Profile 1-Orbit L2 Swath 13x48km V003 (OMO3PR) at GES DISC简介美国宇航局戈达德地球科学数据与信息服务中心GES DISC现已向公众开放 Aura 臭氧监测仪二级臭氧廓线数据产品 OMO3PR版本 003。OMO3PR 的像素分辨率为 13×48 公里星下点基于最优估计算法Rodgers2000并以气候臭氧廓线作为先验信息。OMO3PR 反演算法使用 UV1 通道270 纳米至 308.5 纳米和 UV2 通道前半部分311.5 纳米至 330 纳米的光谱辐射值。OMO3PR 产品提供 18 个大气层的臭氧值以多布森单位表示。它还提供先验臭氧廓线值、误差协方差矩阵、平均核以及一些辅助信息例如时间、纬度、经度、太阳天顶角和观测天顶角以及质量标志。这款二级 OMI 臭氧廓线产品的简称是 OMO3PR。该产品的首席科学家是 Johan de Haan 博士。OMO3PR 产品文件以版本 5 分层数据格式HDF-EOS5存储。每个文件包含轨道日间部分约 53 分钟的数据。每天大约有 14 个轨道因此总数据量约为 150 GB/天。摘要代码!pip install leafmap !pip install pandas !pip install folium !pip install matplotlib !pip install mapclassify import pandas as pd import leafmap url https://github.com/opengeos/NASA-Earth-Data/raw/main/nasa_earth_data.tsv df pd.read_csv(url, sep\t) df leafmap.nasa_data_login() results, gdf leafmap.nasa_data_search( short_nameOMO3PR, cloud_hostedTrue, bounding_box(-165.68, 34.59, -98.1, 71.28), temporal(2017-07-20, 2017-08-08), count-1, # use -1 to return all datasets return_gdfTrue, ) gdf.explore() #leafmap.nasa_data_download(results[:5], out_dirdata)网址推荐个人主页https://sites.google.com/view/xingguang/main知识星球知识星球 | 深度连接铁杆粉丝运营高品质社群知识变现的工具 (zsxq.com)https://wx.zsxq.com/group/48888525452428机器学习https://www.cbedai.net/xg干旱监测平台慧天干旱监测与预警-首页https://www.htdrought.com/
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/27 6:27:07

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/27 8:06:52

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/26 12:48:02

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/27 15:44:59

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/27 1:55:44

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/26 21:26:08

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉